Planejamento de Experimentos

André Leite

“[…] all models are approximations. Essentially, all models are wrong, but some are useful. However, the approximate nature of the model must always be borne in mind […]”

— George Box. Empirical Model-Building and Response Surfaces. 1987



“Since all models are wrong the scientist must be alert to what is importantly wrong. It is inappropriate to be concerned about mice when there are tigers abroad.”

— George Box. Science and statistics. 1976.

ET612 —
Planejamento de Experimentos

ET612 —
Estruturas Fatoriais de Tratamentos

Estruturas Fatoriais de Tratamentos

Em muitas situações é desejável estudar o efeito de diversos fatores em uma variável resposta.

Um químico pode ter interesse em estudar os efeitos de temperatura e pressão numa certa reação.

Um agrônomo pode estar interessado em estudar qual o melhor método de irrigação, tipo e quantidade de fertilizante para maximizar a produção de uma certa cultivar.

Estruturas Fatoriais de Tratamentos

Nesse contexto, a questão que se coloca não é a de que plano usar (completamente aleatorizado, aleatorizado em blocos, em quadrados latinos, etc…) mas sim:

Como investigar, de forma eficiente, o efeito de todos esses fatores numa mesma variável resposta (ou em diferentes funções de uma mesma variável resposta).

Uma possível solução para o problema seria investigar os efeitos de cada fator separadamente. Essa abordagem, porém, é ineficiente, comparada com o uso de uma estrutura fatorial de tratamentos, onde todos os fatores são investigados conjuntamente.

Estruturas Fatoriais da Série 2k

Em um experimento com estrutura fatorial de tratamentos, um certo número de níveis é fixado para cada fator de interesse, seja ele qualitativo ou quantitativo.

Os tratamentos consistem, então, da combinação de todos os níveis considerados.

Quando todos os fatores são investigados considerando-se apenas dois níveis, tem-se um caso especial de estrutura fatorial: são as estruturas fatoriais da série 2k, em que k representa o número de fatores envolvidos no estudo.

Por que estudar fatoriais da Série 2k?

Estruturas Fatoriais da Série 2k

Daqui por diante — e essa é a regra na literatura — a expressão experimento fatorial (ou plano fatorial), sem referir-se específicamente a um plano experimental, deve ser entendida como um experimento com estrutura fatorial de tratamentos, executado de acordo com um plano completamente aleatorizado.

Quando planos experimentais de aleatorização restrita são usados, eles são explicitamente mencionados, como por exemplo: experimento fatorial (aleatorizado) em blocos, ou plano fatorial (aleatorizado) em blocos.

Fatoriais 23

Numa estrutura fatorial 23, o efeito de três fatores (A, B e C) é estudado, formando um total de \(2^3 = 8\) tratamentos. Cada réplica de um experimento com essa estrutura utiliza, assim, \(8\) unidades experimentais.

Usando os sinais de \(-\) e \(+\) para denotar os níveis baixo e alto, respectivamente, de cada fator estudado, é possível apresentar a estrutura dos tratamentos como segue:

Fatoriais 23

A ordem dos sinais apresentada na estrutura acima é chamada de ordem de Yates, ou ainda, de ordem padrão.

É comum adotar a notação da segunda coluna, para os tratamentos. Segundo esta notação, quando um fator contribui com o nível alto, a sua “letra” aparece na notação do tratamento. Do contrário, a “letra” não aparece. O símbolo \((1)\) denota o tratamento em que todos os fatores contribuem com o nível baixo. É possível representar os tratamentos através dos vértices de um cubo, centrado na origem:

Fatoriais 23

A análise de um experimento fatorial 23 inclui o estudo de efeitos principais, efeitos de interações duplas (interações entre dois fatores) e a interação tripla, definidos da seguinte forma:

Efeitos Principais

O efeito (principal) do fator \(\text{A}\) corresponde à mudança esperada na variável resposta quando há uma mudança do nível baixo para o nível alto desse fator:

\[ \text{A} = \bar{z}(\text{A}_+) - \bar{z}(\text{A}_{-}) \] Em que \(\bar{z}(\text{A}_+)\) representa a média dos valores da variável de interesse \(z\), observados sob o nível “\(+\)” do fator \(\text{A}\), e \(\bar{z}(\text{A}_-)\), a média sob o nível “\(-\)”.

Efeitos de Interações Duplas

O efeito da interação entre dois fatores \(\text{A}\) e \(\text{B}\), corresponde à mudança esperada no efeito do fator \(\text{B}\) quando há uma mudança do fator \(\text{A}\) do nível “\(-\)” para o nível “\(+\)”, ou, vice-versa:

\[ \text{AB} = \frac{1}{2}\cdot\left[\bar{z}( \text{B}_+ | \text{A}_+) - \bar{z}( \text{B}_-| \text{A}_+)\right] - \frac{1}{2}\left[\bar{z}( \text{B}_+ | \text{A}_-) - \bar{z}( \text{B}_-| \text{A}_-)\right] \] em que \(\bar{z}( \text{B}_- | \text{A}_+)\) representa a média dos valores da variável resposta \(z\), observados sob o nível “\(-\)” do fator \(\text{B}\) e nível “\(+\)” do fator \(\text{A}\), e os outros termos são definidos de forma similar.

Efeitos de Interações Duplas

Efeito da Interação Tripla

\[ \text{ABC} = \frac{1}{2}\cdot\left[\text{Efeito}(\text{AB} | \text{C}_+) -\text{Efeito} (\text{AB}| \text{C}_-)\right] \] em que \(\text{ABC}\) corresponde ao efeito da interação dupla \(\text{AB}\) observado sob o nível “+” do fator \(\text{C}\), e os outros termos são definidos de forma similar.

Variâncias

Quando existem réplicas do experimento, a variância do erro experimental pode ser estimada através da combinação das variâncias estimadas entre réplicas, para cada tratamento.

Supondo que cada um de \(g\) tratamentos seja replicado \(n_i\) vezes, a variância estimada do erro experimental é dada por

\[ S^2 = \frac{\nu_1S_1^2 + \nu_2S_2^2 + \cdots + \nu_gS_g^2}{\nu_1 + \nu_2 + \cdots + \nu_g} \] com \(\nu = \sum_{i=1}^{g}\nu_i\) graus de liberdade.

Na fórmula acima, \(S_i^2\) é a estimativa da variância entre réplicas sob o tratamento \(i\), obtida com \(\nu_i = n_i - 1\) graus liberdade.

Variâncias

Quando \(n_i = 2\), tem-se \(S_i^2 = \frac{d_i^2}{2}\), em que \(d_i\) é a diferença entre os valores bservados em cada réplica, para o tratamento \(i\). Nesse caso:

\[ S^2 = \frac{\sum_{i = 1}^{g} d_i^2}{2g} \] com \(g\) graus de liberdade;

Primeiro experimento

Um engenheiro químico deseja investigar os efeitos de temperatura (\(\text{T}\)), concentração (\(\text{C}\)) e catalisador (\(\text{K}\)) na produção de uma certa substância química. Para tanto, ele considera os seguintes níveis de cada fator:


Primeiro experimento: dados

Estimativa do efeito da temperatura

Estimativa do efeito da temperatura

Geometria dos efeitos

Geometrias para a Temperatura

Estimativa do efeito da interação Temperatura × Catalisador:

Interação Temperatura × Catalisador

Interação Tripla TCK

Algoritmo de Yates


Variância e Erro padrão

com \(8\) graus de liberdade.

Para os efeitos:

Portanto:

Resumo dos Efeitos

OBS:

Distribuição dos efeitos

É importante ter algum método para determinar qual efeito é provavelmente real e qual pode ser explicado por variação aleatória. Uma regra grosseira é que efeitos maiores que 2 ou 3 vezes seu desvio padrão não são facilmente explicados pela variabilidade do processo.

Mais precisamente. assumindo variáveis NIID, cada relação efeito/SE(efeito) terá distribuição \(t\) com \(\nu = 8\) graus de liberdade.

Um valor “significante” de \(t\) ao nível de \(5\%\) é \(2.3\), isto é

\[ \text{Pr}(|t_g| > 2.3) = 0.05 \] de modo que um intervalor de confiança para os efeitos apresentados na tabela seria entimado \(\pm 2.3 \cdot 1.41 = \pm 3.2\). Contudo.

Distribuição dos efeitos

Comparação dos efeitos com uma distribuição de referência \(t\) com \(8\) graus de liberdade e fator de escala \(1.4\):

Conclusões

  1. O efeito de mudar a Concentração (C) nos limites estudados é reduzir a produção por aproximadamente cinco unidades. E isto acontece sem evidência de relação entre os níveis das outras variáveis.
  2. Os efeitos da Temperatura (T) e Catalizador (K) não podem ser interpretados separadamente por causa da interação TK. Com o catalisador A o efeito da temperatura é 13 unidades, contudo com o catalisador B é de 33 unidades.

Segundo experimento (Exercício)

O gerente de uma fábrica de refrigerantes deseja solucionar um problema recentemente detectado no processo de enchimento de garrafas pet de \(2~\text{litros}\) (\(2000~\text{ml}\)).

As especificações do produto permitem que cada garrafa contenha \[ 2000\ \text{ml} \pm 10\ \text{ml}. \]

Um estudo recente revelou que \(10\%\) da produção (de \(50\) milhões de garrafa por ano) estava acima do limite superior de especificação. Isso significa um desperdício de, pelo menos, \(50\) mil litros de refrigerante, ou, \(25\) mil garrafas pet ao ano.


O gerente, tendo ouvido uma palestra sua sobre planejamento de experimentos industriais, recorre a você para ajudá-lo a minimizar o desperdício da fábrica. O que você faria?

Segundo experimento: dados

Próxima aula —
Modelos lineares e a série 23

Fatoriais 24

Para exemplificar a análise de um plano fatorial 24, considere o seguinte cenário para um experimento:

Um dos passos iniciais na produção de circuitos integrados é o crescimento de uma camada epitaxial em placas (wafers) de silicone polidas. A espessura desejável dessas camadas é de \(14.5 \pm 0.5\ \mu m\).

A forma como estão sendo produzidas essas camadas tem levado a uma variação maior que o limite especificado de \(1\ \mu m\).

O objetivo dos estatísticos da empresa é descobrir quais os níveis dos fatores método de rotação (A), posição do jato de vapor (B), temperatura de deposição (C) e tempo de deposição (D), que minimizariam a irregularidade das espessuras das camadas, mantendo a espessura média o mais perto possível do valor nominal de \(14.5\ \mu m\).

Experimento

Dois níveis de cada fator foram escolhidos e um experimento foi executado com uma estrutura fatorial 24 em seis réplicas.

Uma característica importante do problema apresentado é o duplo objetivo:

Fatoriais 24

Em engenharia de qualidade, esse problema é conhecido como sendo do tipo melhor-nominal (nominal-the- best), por seu objetivo de encontrar condições de produção que atinjam (ou mantenham) um alvo nominal especificado.

A novidade, em comparação com os exemplos de experimentos vistos na parte de fatorial 23, é a necessidade de estudar a variância do processo — por isso foram feitas tantas réplicas (6).

Obviamente, o estudo de variabilidade de processos não é restrito a estruturas 24, ou a qualquer outra estrutura em particular. Os dados do experimento são fornecidos em seguida.

Dados

A função quadrática de perda de qualidade

Para atacar o problema de forma eficiente, é útil definir uma função de perda de qualidade devido a desvios em relação ao alvo nominal.

Denote por \(z\) uma variável resposta observada no experimento e por \(t\), o valor nominal a ser atingido. No exemplo considerado, a perda de qualidade, na medida em que há afastamento do alvo \(t\), pode ser convenientemente representada pela seguinte função quadrática: \[ \text{L}(z,t) = c \cdot (z - t)^2 \] em que a constante \(c\) é determinada por questões de custo e/ou perda financeira.

A função quadrática de perda de qualidade

A perda esperada pode ser escrita como:

A expressão acima sugere a seguinte estratégia para atacar o problema do tipo melhor-nominal:

Comentário

A função perda quadrática é conveniente para o problema na medida em que é razoável assumir uma perda simétrica de qualidade em torno do alvo. Assim, a perda de qualidade quando se produz circuitos com \(1\ \mu m\) a mais de espessura do que o alvo, é a mesma de quando se produz com \(1\ \mu m\) a menos de espessura. Em problemas onde essa simetria de perda não é verificada, ou onde a perda torna-se constante a partir de um certo ponto, essa função não é apropriada para ser usada.

Implementando a estratégia de análise

Para estudar o efeito dos fatores na dispersão do processo e encontrar os níveis que minimizariam \(\text{Var}(z)\), a variável resposta \(z_i = \ln S^2_i\) será analisada.

Estimativas de efeitos principais, interações duplas, triplas e quádrupla são obtidas da maneira usual. O quadro a seguir apresenta esses valores para os dados do experimento.

Valores estimados dos efeitos

Avaliação

Para avaliar a significância dos efeitos, é importante notar que, sob suposição de normalidade dos valores observados,

Utilizando o método delta, é possível então mostrar que a distribuição de \(\ln S_i^2\) é aproximadamente normal, com média \(\ln \sigma_i^2\) e variância \(2(n_i - 1)^{-1}\):

Com base nesse resultado, dois métodos gráficos de análise são amplamente utilizados: os gráficos de probabilidade normal e half-normal.

Avaliação

Vantagens de usar um método gráfico:

Os gráficos de probabilidade normal e half-normal

Denote por \(\theta_i\) o \(i\)-ésimo de \(g\) efeitos estimamos. Denote por \[ \theta_{(1)} \leqslant \theta_{(2)} \leqslant \cdots \leqslant \theta_{(g)} \] os valores ordenados desses efeitos.

As coordenados dos pontos de um gráfico de probabilidade normal são dadas por \[ \left(\theta_{(i)},\ \Phi^{-1}\left([i - 0,\! 5]/g\right)\right) \] para \(i = 1, 2, \cdots, g\).

Os gráficos de probabilidade normal e half-normal

Os gráficos de probabilidade half-normal, por sua vez, são obtidos identificando os pontos

\[ \left({|\theta|}_{(i)},\ \Phi^{-1}\left(0,\! 5 + [i - 0,\! 5]/g\right)\right) \] para \(i = 1, 2, \cdots, g\).

Em ambos os gráficos, pontos desviando claramente de uma reta são julgados significativos.

A vantagem de usar um gráfico half-normal, é que os pontos significativos aparecem no canto superior direito do gráfico. Gráficos de probabilidade normal, no entanto, são mais úteis para a detecção de outliers.

Os gráficos a seguir ilustram a análise dos efeitos na dispersão e locação do processo.

Gráficos de probabilidade half-normal para o efeito de dispersão

Gráficos de probabilidade half-normal para o efeito de localização

Análise

Dados originais do experimento

Efeitos

Gráficos de probabilidade half-normal para o efeito de dispersão

Gráficos de probabilidade half-normal para o efeito de localização

Conclusões

Recomendações:

O efeito positivo do fator A (\(+3.834\)) sobre a variável \(\ln S^2\) sugere a utilização deste fator no nível baixo (\(-\)), para reduzir a variabilidade do processo.

Conclusões

Para fazer uso mais preciso da informação do fator \(D\), é possível ajustar uma regressão aos dados, levando à equação \[ \hat{y} = \hat{\beta}_0 + \hat{\beta}_1\cdot x_{\text{D}} = 14,\! 389 + 0,\! 418\cdot x_{\text{D}} \]

Igualando a equação ao valor nominal desejado tem-se: \[ 14.5 = \hat{y} = 14,\! 389 + 0,\! 418\cdot x_{\text{D}} \quad \therefore \quad x_\text{D} = 0,\! 266 \]

Supondo então que os valores dos níveis do fator D (tempo de deposição) fossem \(30\) e \(40\) segundos, seria recomendado utilizar \(35 + 0,\!266\cdot5 = 36,\! 33\) segundos.

Princípios Fundamentais para Análise de Efeitos Fatoriais

Ao analisar uma estrutura fatorial de tratamentos, três princípios são importantes na determinação da importância relativa e relação entre efeitos.

Princípio da Ordenação Hierárquica

Este princípio sugere que quando os recursos são escassos, deve ser dada prioridade para a estimativa de efeitos de ordem inferior.

A sua aplicação é particularmente eficaz para experimentos de triagem que têm um grande número de fatores e número de rodadas.

É um princípio empírico cuja validade foi confirmada em muitos experimentos reais. Além disso, outra razão para sua ampla aceitação é que interações de ordem superior são mais difíceis de interpretar ou justificar fisicamente.

Princípio da Esparsidade dos Efeitos

O número de efeitos relativamente importantes em um experimento fatorial é pequeno.

O princípio pode também ser chamado de Princípio de Pareto em Design Experimental por causa de seu foco nos “poucos vitais” e não os “muitos triviais”.

Princípio da Hereditariedade dos Efeitos

Para que uma interação seja importante, ao menos um de seus fatores deve ser importante.

Para selecionar uma interação no modelo, pelo menos um de seus efeitos principais também devem estar no modelo.

Modelo linear

base <- dados2e4o %>% 
  mutate(across(A:D, ~ if_else(.x == "−", -1, 1))) %>% 
  select(A:D, R1:R6) %>% 
  pivot_longer(-A:-D, names_to = "Réplica", values_to = "y")

modelo_1 <- (lm(y ~ 1 + A*B*C*D, data = base))

modelo_2 <- (lm(y ~ 1 + D, data = base))

Modelo linear 1

Modelo linear 2